CN113379142A - 一种基于风速修正和融合模型的短期风电功率预测方法 - Google Patents

一种基于风速修正和融合模型的短期风电功率预测方法 Download PDF

Info

Publication number
CN113379142A
CN113379142A CN202110698870.0A CN202110698870A CN113379142A CN 113379142 A CN113379142 A CN 113379142A CN 202110698870 A CN202110698870 A CN 202110698870A CN 113379142 A CN113379142 A CN 113379142A
Authority
CN
China
Prior art keywords
wind speed
wind
nwp
fusion model
inputting
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110698870.0A
Other languages
English (en)
Other versions
CN113379142B (zh
Inventor
杨国清
刘世林
王德意
王文坤
李建基
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Technology
Original Assignee
Xian University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Technology filed Critical Xian University of Technology
Priority to CN202110698870.0A priority Critical patent/CN113379142B/zh
Publication of CN113379142A publication Critical patent/CN113379142A/zh
Application granted granted Critical
Publication of CN113379142B publication Critical patent/CN113379142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于风速修正和融合模型的短期风电功率预测方法，包括：对风电功率数据进行清洗处理，风电功率数据包括历史预报风速、风向、温度、湿度、气压、空气密度、实际风速、预测点实际功率；将历史预报风速作为风速修正模型的输入，实际风速作为修正目标，输入风速修正模型进行修正，得到修正后的预报风速；将修正后的预报风速输入融合模型，对融合模型进行训练；利用风速修正模型对预测点预报风速进行修正，将其他气象因素组合得到的多维数据、修正后的预测点预报风速输入融合模型进行风电功率预测，得到预测结果。能有效提高使用NWP数据进行风电功率预测的精度，可用于电力系统调度。

Description

一种基于风速修正和融合模型的短期风电功率预测方法
技术领域
本发明属于风电功率预测方法技术领域，涉及一种基于风速修正和融合模型的短期风电功率预测方法。
背景技术
短期风电功率利用历史风电数据或者NWP气象数据进行风力发电功率预测，一般使用时序法，人工智能方法。现有预测方法有使用历史实际风速进行预测，但实际预测中，未来的实际风速是未知的，故而这种预测方法实际适用性不佳。使用NWP(数值天气预报)预报数据进行预测更符合实际情况，但是NWP预报数据精度仍有待提高，NWP预报风速与风电场实际风速存在偏差，会导致预测效果欠佳。此外，传统单一的预测模型，预测精度和适用性较差。
发明内容
本发明的目的是提供一种基于风速修正和融合模型的短期风电功率预测方法，解决了现有技术中存在的预测精度较差的问题。
本发明所采用的技术方案是，一种基于风速修正和融合模型的短期风电功率预测方法，包括以下步骤：
步骤1、对风电功率数据进行清洗处理，风电功率数据包括历史NWP预报风速、风向、温度、湿度、气压、空气密度、实际风速、预测点实际功率；
步骤2、将历史NWP预报风速作为Attention-GRU风速修正模型的输入，实际风速作为修正目标，输入Attention-GRU风速修正模型进行修正，得到修正后的NWP预报风速；
步骤3、将其他气象因素组合得到的多维数据、修正后的NWP预报风速输入Stacking融合模型，对Stacking融合模型进行训练；
步骤4、利用Attention-GRU风速修正模型对预测点NWP预报风速进行修正，将修正后的预测点NWP预报风速、其他气象因素组合得到的多维数据输入Stacking融合模型进行风电功率预测，得到预测结果。
本发明的特点还在于：
还包括，
步骤5、使用均方根误差、平均绝对误差对步骤4的预测结果进行预测指标评价。
步骤2具体包括以下步骤：
步骤2.1、获取历史NWP预报风速、历史实际风速，将历史NWP预报风速向量作为输入，实际风速作为修正目标，输入Attention-GRU风速修正模型对历史NWP预报风速进行修正；
步骤2.2、历史NWP预报风速向量依次经过输入层、两层GRU隐藏层，得到GRU特征学习结果；
步骤2.3、将GRU特征学习结果依次输入Attention层、全连接层得到修正后的NWP预报风速。
步骤3具体包括以下步骤：
步骤3.1、将其他气象因素组合得到的多维数据、修正后的NWP预报风速输入Stacking融合模型；
步骤3.2、利用网格搜索对Stacking中单模型XGboost、LSTM、SVR、Lasso进行参数调优，得到最优参数基学习器；
步骤3.3、将对修正后的NWP历史数据分为五份，分别使用初级学习器XGBoost、LSTM、SVR、Lasso进行的训练，每次将其中一份作为验证集，其余4份作为训练集，得到不同的验证集和测试集预测结果；
步骤3.4、创建第二层次级学习器XGBoost，将每个初级学习器对应的验证集预测结果拼接作为次级学习器的训练集，将测试集预测结果作为XGBoost的测试集，对第二层次级学习器XGBoost进行训练，得到训练后的Stacking融合模型。
步骤3，4中其他气象因素包括风向、湿度、温度、气压及空气密度组。
本发明的有益效果是：
本发明一种基于风速修正和融合模型的短期风电功率预测方法，利用Attention-GRU风速修正模型对NWP预报风速进行修正，提高NWP预报风速和实际风速的相关性，可以提高风电预测的精度；使用Stacking集成学习模型融合四种算法，相比较于单一模型，预测精度更高，误差更低；能有效提高使用NWP数据进行风电功率预测的精度，可用于电力系统调度。
附图说明
图1是本发明一种基于风速修正和融合模型的短期风电功率预测方法的流程图；
图2是本发明一种基于风速修正和融合模型的短期风电功率预测方法的Attention-GRU风速修正模型图；
图3是本发明一种基于风速修正和融合模型的短期风电功率预测方法的Stacking融合模型图；
图4a是本发明一种基于风速修正和融合模型的短期风电功率预测方法的风电场1风速修正前NWP预报风速和实际风速分布图；
图4b是本发明一种基于风速修正和融合模型的短期风电功率预测方法的风电场2风速修正前NWP预报风速和实际风速分布图；
图5a是本发明一种基于风速修正和融合模型的短期风电功率预测方法的风电场1风速修正后NWP预报风速和实际风速分布图；
图5b是本发明一种基于风速修正和融合模型的短期风电功率预测方法的风电场2风速修正后NWP预报风速和实际风速分布图；
图6a是本发明一种基于风速修正和融合模型的短期风电功率预测方法的风电场1修正风速前后预报风速和实际风速分布图；
图6b是本发明一种基于风速修正和融合模型的短期风电功率预测方法的风电场2修正风速前后预报风速和实际风速分布图；
图7a是本发明一种基于风速修正和融合模型的短期风电功率预测方法的风电场1修正风速后预测功率和真实功率曲线图；
图7b是本发明一种基于风速修正和融合模型的短期风电功率预测方法的风电场2修正风速后预测功率和真实功率曲线图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
一种基于风速修正和融合模型的短期风电功率预测方法，如图1所示，包括以下步骤：
步骤1、对风电功率数据由于SCADA系统监测误差，风机检修等原因造成的空缺值和负功率值进行前后向差值填充处理，风电功率数据包括历史NWP预报风速、风向、温度、湿度、气压、空气密度、实际风速、预测点实际功率；
步骤2、如图2所示，将步骤1处理后的历史NWP预报风速作为Attention-GRU风速修正模型的输入，实际风速作为修正目标，输入Attention-GRU风速修正模型进行修正，得到修正后的NWP预报风速；
步骤2.1、获取步骤1处理后的历史NWP预报风速、历史实际风速，将历史NWP预报风速向量作为输入，实际风速作为修正目标，输入Attention-GRU风速修正模型对历史NWP预报风速进行修正；
步骤2.2、历史NWP预报风速向量依次经过输入层、两层GRU隐藏层，GRU层对输入向量的特征进行充分学习，获取其规律，输出GRU特征学习结果；
步骤2.3、将GRU特征学习结果依次输入Attention层、全连接层得到修正后的NWP预报风速；
具体的，将GRU特征学习结果输入Attention层，Attention层计算GRU输出向量的各个特征量的权重概率，改变不同特征对输出的贡献率，得到更优的风速修正效果；再经过一层全连接层得到修正后的NWP预报风速；
步骤3、如图3所示，将其他气象因素组合得到的多维数据、修正后的NWP预报风速输入Stacking融合模型，对Stacking融合模型进行训练；其他气象因素包括风向、湿度、温度、气压及空气密度。
步骤3.1、将修正后的NWP预报风速和步骤1处理后的其他气象因素组合得到的多维数据输入Stacking融合模型；
步骤3.2、利用网格搜索对Stacking中单模型XGboost、LSTM、SVR、Lasso进行参数调优，得到最优参数基学习器；
步骤3.3、将对修正后的NWP历史数据分为五份，分别使用初级学习器XGBoost、LSTM、SVR、Lasso进行的训练，每次将其中一份作为验证集，其余4份作为训练集，得到不同的验证集和测试集预测结果；
步骤3.4、创建第二层次级学习器XGBoost，将每个初级学习器对应的验证集预测结果拼接作为次级学习器的训练集，将测试集预测结果作为XGBoost的测试集，对第二层次级学习器XGBoost进行训练，得到训练后的Stacking融合模型。
步骤4、利用Attention-GRU风速修正模型对预测点NWP预报风速进行修正，将修正后的预测点NWP预报风速、步骤1处理后的其他气象因素组合得到的多维数据输入Stacking融合模型进行风电功率预测，得到预测结果；其他气象因素包括风向、湿度、温度、气压及空气密度。
还包括，步骤5、使用均方根误差RMSE(Root Mean Square Error)、平均绝对误差MAE(Mean Absolute Error)对步骤4的预测结果进行预测指标评价，其公式如式(2)-(4)；
Figure BDA0003128950900000061
Figure BDA0003128950900000062
Figure BDA0003128950900000063
本发明中利用皮尔逊相关系数对NWP预报风速和实际风速、预报风速和实际功率、实际风速和实际功率做相关性分析和差值分析，如公式(1)所示：
Figure BDA0003128950900000064
式中，cov为协方差，E为期望，σ为标准差。
通过以上方式，本发明一种基于风速修正和融合模型的短期风电功率预测方法，利用Attention-GRU风速修正模型对NWP预报风速进行修正，提高NWP预报风速和实际风速的相关性，可以提高风电预测的精度；使用Stacking集成学习模型融合四种算法，相比较于单一模型，预测精度更高，误差更低；能有效提高使用NWP数据进行风电功率预测的精度，可用于电力系统调度。
实施例
使用内蒙某风电场2019年10月1日-2020年9月30日的数据和辽宁某风电场2019年10月1日-2020年10月15日的数据作为算例进行分析。两个电场总装机容量都为50MW，数据采集时间分辨率为15min，每日96个数据点。风电场1使用2019年10月1日-2020年9月27日的数据用于模型训练与参数调优，使用2020年9月28日-2020年9月30日共288个点的数据进行预测；电场2将2019年10月1日至2020年10月12数据用于模型训练，2020年10月13日-2020年10月15日的数据用于预测和模型评估。
1.两个风电场NWP预报风速修正前后风速分布图如图4a-b，图5a-b所示，修正前后NWP预报风速与实际风速对比图如图6a-b所示。修正前后两个风电场NWP预报风速与实际风速，实际功率的皮尔逊相关系数和差值分析如表1所示。
表1
Figure BDA0003128950900000071
从图4a-6b中可以看出对两电场NWP预报风速进行修正后，预报风速与实际风速的分布更线性，更集中，预报风速也更趋近于实际风速。从表1种看出，风速修正后，风电场1预报风速和实际风速相关性提高了0.2054，预报风速和功率相关性提高了0.0519，风速平均差值减少1.2425，风速平均差值百分比减少37.6％；风电场2预报风速和实际风速相关性提高了0.1215，预报风速和功率相关性提高了0.0658,风速平均差值减少0.748，风速平均差值百分比减少13.5％。可以发现Attention-GRU风速修正模型可以有效提高NWP预报风速的精度。
2.使用本发明的方法预测的两个风电场修正风速后预测功率和真实功率曲线图如图7a-b所示。
3.风电场1预测指标对比结果如表2所示，风电场2预测指标对比结果如表3所示。
表2
Figure BDA0003128950900000081
表3
Figure BDA0003128950900000082
从表2和表3中可以看出，修正风速后，风电场1和风电场2单一模型预测平均RMSE分别下降了1.23和1.071，平均MAE分别下降了0.78和0.756，R2分别提高了8.55％、5.4％；Stacking融合模型的RMSE分别减小0.406和1.338，MAE减少1.109和0.765，R2分别提高了5.7％和4.4％。由以上分析可得出，NWP预报风速修正后，确实可以减少风电功预测的误差并提高一定预测的精度。
在未修正和修正风速情况下，Stacking融合模型无论是从预测误差和拟合精度方面，都比单一模型优秀。未修正风速情况下，风电场1和风电场2Stacking融合模型比单一模型RMSE平均值分别减少了1.757和1.028，MAE分别减少了1.47和0.818，R2分别提高了7.7％、5.4％；修正风速后，融合模型RMSE分别减少1.216和1.295，MAE分别减少1.027和0.916，R2提高了4.95％和4.4％。以上结果证明Stacking融合模型比单一模型预测能力更优秀，具有更高的预测精度，可以有效降低风电功率预测误差。

Claims (5)

1.一种基于风速修正和融合模型的短期风电功率预测方法，其特征在于，包括以下步骤：
步骤1、对风电功率数据进行清洗处理，所述风电功率数据包括历史NWP预报风速、风向、温度、湿度、气压、空气密度、实际风速、预测点实际功率；
步骤2、将历史NWP预报风速作为Attention-GRU风速修正模型的输入，实际风速作为修正目标，输入Attention-GRU风速修正模型进行修正，得到修正后的NWP预报风速；
步骤3、将其他气象因素组合得到的多维数据、修正后的NWP预报风速输入Stacking融合模型，对Stacking融合模型进行训练；
步骤4、利用Attention-GRU风速修正模型对预测点NWP预报风速进行修正，将修正后的预测点NWP预报风速、其他气象因素组合得到的多维数据输入Stacking融合模型进行风电功率预测，得到预测结果。
2.根据权利要求1所述的一种基于风速修正和融合模型的短期风电功率预测方法，其特征在于，还包括，
步骤5、使用均方根误差、平均绝对误差对步骤4的预测结果进行预测指标评价。
3.根据权利要求1所述的一种基于风速修正和融合模型的短期风电功率预测方法，其特征在于，步骤2具体包括以下步骤：
步骤2.1、获取历史NWP预报风速、历史实际风速，将历史NWP预报风速向量作为输入，实际风速作为修正目标，输入Attention-GRU风速修正模型对历史NWP预报风速进行修正；
步骤2.2、历史NWP预报风速向量依次经过输入层、两层GRU隐藏层，得到GRU特征学习结果；
步骤2.3、将所述GRU特征学习结果依次输入Attention层、全连接层得到修正后的NWP预报风速。
4.根据权利要求1所述的一种基于风速修正和融合模型的短期风电功率预测方法，其特征在于，步骤3具体包括以下步骤：
步骤3.1、将其他气象因素组合得到的多维数据、修正后的NWP预报风速输入Stacking融合模型；
步骤3.2、利用网格搜索对Stacking中单模型XGboost、LSTM、SVR、Lasso进行参数调优，得到最优参数基学习器；
步骤3.3、将对所述修正后的NWP历史数据分为五份，分别使用初级学习器XGBoost、LSTM、SVR、Lasso进行的训练，每次将其中一份作为验证集，其余4份作为训练集，得到不同的验证集和测试集预测结果；
步骤3.4、创建第二层次级学习器XGBoost，将每个初级学习器对应的验证集预测结果拼接作为次级学习器的训练集，将测试集预测结果作为XGBoost的测试集，对第二层次级学习器XGBoost进行训练，得到训练后的Stacking融合模型。
5.根据权利要求1所述的一种基于风速修正和融合模型的短期风电功率预测方法，其特征在于，步骤3、4中所述其他气象因素包括风向、湿度、温度、气压及空气密度。
CN202110698870.0A 2021-06-23 2021-06-23 一种基于风速修正和融合模型的短期风电功率预测方法 Active CN113379142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110698870.0A CN113379142B (zh) 2021-06-23 2021-06-23 一种基于风速修正和融合模型的短期风电功率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110698870.0A CN113379142B (zh) 2021-06-23 2021-06-23 一种基于风速修正和融合模型的短期风电功率预测方法

Publications (2)

Publication Number Publication Date
CN113379142A true CN113379142A (zh) 2021-09-10
CN113379142B CN113379142B (zh) 2023-08-15

Family

ID=77578743

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110698870.0A Active CN113379142B (zh) 2021-06-23 2021-06-23 一种基于风速修正和融合模型的短期风电功率预测方法

Country Status (1)

Country Link
CN (1) CN113379142B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049024A (zh) * 2022-08-15 2022-09-13 国能日新科技股份有限公司 风速预测模型的训练方法、装置、电子设备和存储介质
CN115829140A (zh) * 2022-12-14 2023-03-21 广西电网有限责任公司 一种基于机器学习的风力发电场发电量预测方法及系统
CN116187540A (zh) * 2023-01-03 2023-05-30 国网江西省电力有限公司电力科学研究院 一种基于时空偏差修正的风电场站超短期功率预测方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200041550A1 (en) * 2016-10-05 2020-02-06 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting
CN111369070A (zh) * 2020-03-13 2020-07-03 西安理工大学 一种基于包络线聚类的多模融合光伏功率预测方法
CN112036595A (zh) * 2019-12-10 2020-12-04 北京信息科技大学 基于多位置数值天气预报短期风电功率预测方法和系统
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112990553A (zh) * 2021-02-23 2021-06-18 中国电建集团华东勘测设计研究院有限公司 使用自注意机制和双线性融合的风电超短期功率预测方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200041550A1 (en) * 2016-10-05 2020-02-06 Telecom Italia S.P.A. Method and system for estimating energy generation based on solar irradiance forecasting
CN112036595A (zh) * 2019-12-10 2020-12-04 北京信息科技大学 基于多位置数值天气预报短期风电功率预测方法和系统
CN111369070A (zh) * 2020-03-13 2020-07-03 西安理工大学 一种基于包络线聚类的多模融合光伏功率预测方法
AU2020104000A4 (en) * 2020-12-10 2021-02-18 Guangxi University Short-term Load Forecasting Method Based on TCN and IPSO-LSSVM Combined Model
CN112990553A (zh) * 2021-02-23 2021-06-18 中国电建集团华东勘测设计研究院有限公司 使用自注意机制和双线性融合的风电超短期功率预测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HUAI NANA; DONG LEI; WANG LIJIE; HAO YING; DAI ZHONGJIAN; WANG BO: "Short-term Wind Speed Prediction Based on CNN_GRU Model", IEEE *
周恒俊;王璇;王志远;许若冰;: "基于MIPCA与GRU网络的光伏出力短期预测方法", 电力系统及其自动化学报, no. 09 *
赵攀;戴义平;夏俊荣;盛迎新;: "卡尔曼滤波修正的风电场短期功率预测模型", 西安交通大学学报, no. 05 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115049024A (zh) * 2022-08-15 2022-09-13 国能日新科技股份有限公司 风速预测模型的训练方法、装置、电子设备和存储介质
CN115829140A (zh) * 2022-12-14 2023-03-21 广西电网有限责任公司 一种基于机器学习的风力发电场发电量预测方法及系统
CN115829140B (zh) * 2022-12-14 2023-07-25 广西电网有限责任公司 一种基于机器学习的风力发电场发电量预测方法及系统
CN116187540A (zh) * 2023-01-03 2023-05-30 国网江西省电力有限公司电力科学研究院 一种基于时空偏差修正的风电场站超短期功率预测方法
CN116187540B (zh) * 2023-01-03 2023-09-12 国网江西省电力有限公司电力科学研究院 一种基于时空偏差修正的风电场站超短期功率预测方法

Also Published As

Publication number Publication date
CN113379142B (zh) 2023-08-15

Similar Documents

Publication Publication Date Title
CN113379142A (zh) 一种基于风速修正和融合模型的短期风电功率预测方法
CN109086928B (zh) 基于saga-fcm-lssvm模型的光伏电站实时功率预测方法
CN109002915B (zh) 基于Kmeans-GRA-Elman模型的光伏电站短期功率预测方法
CN102298707B (zh) 基于连续时间段聚类与支持向量机建模的风电功率预测方法
CN104091209B (zh) 基于bp神经网络的风电机组功率特性评估方法
CN111488896B (zh) 一种基于多源数据挖掘的配电线路时变故障概率计算方法
CN104036121B (zh) 基于概率分布转移的测风数据风速订正方法
CN102478584B (zh) 基于小波分析的风电场风速预测方法及系统
CN109784563B (zh) 一种基于虚拟测风塔技术的超短期功率预测方法
CN109167387A (zh) 风场风电功率预测方法
CN110766200A (zh) 一种基于K-means均值聚类的风电机组发电功率预测方法
CN110516840A (zh) 基于改进随机森林方法的风光发电出力的短期预测方法
CN105389634A (zh) 一种组合式短期风电功率预测系统及方法
CN113657662B (zh) 一种基于数据融合的降尺度风电功率预测方法
CN115345076B (zh) 一种风速订正处理方法及装置
CN104732300A (zh) 一种基于模糊分区理论的神经网络风功率短期预测方法
CN111626473A (zh) 一种考虑误差修正的两阶段光伏功率预测方法
CN110263998A (zh) 多源数值天气预报集合双层修正方法
CN110738253A (zh) 一种基于FCM和AFSA-Elman的短期风电功率预测方法
CN105591407A (zh) 可再生能源电站有功出力预测误差间相关性的研究方法
Lu et al. Wind power forecast by using improved radial basis function neural network
CN103632314B (zh) 基于概率统计的风电场广义节点特征建模方法
CN116187540A (zh) 一种基于时空偏差修正的风电场站超短期功率预测方法
CN111342499A (zh) 一种基于风功率预测数据的风电场实时调度方法
CN117060407B (zh) 一种基于相似日划分的风电集群功率预测方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant